一种基于机器学习的子痫前期调控分析系统的制作方法

1.本发明涉及医疗健康领域，尤其涉及一种基于机器学习的子痫前期调控分析系统。


背景技术：

2.子痫是子痫前期基础上发生不能用其它原因解释的抽搐。是妊娠期高血压疾病的五种状况之一，也可以是子痫前期紧急严重并发症。典型者表现为患者首先出现眼球固定，瞳孔放大，瞬即头向一侧扭转，牙关咬紧，继而口角与面部肌肉颤动，全身及四肢肌肉强直性收缩（背侧强于腹侧），双手紧握，双臂伸直，迅速发生强烈抽动。抽搐时呼吸暂停，面色青紫，持续约1分钟左右抽搐强度渐减，全身肌肉松弛，随即深长吸气，发出鼾声而恢复呼吸。抽搐临发作前及抽搐期间患者神智丧失，轻者抽搐后渐苏醒，抽搐间隔期长，发作少；重者则抽搐发作频繁且持续时间长，患者可陷入深昏迷状态。患者可出现各种严重并发症：如胎盘早剥、吸入性肺炎、肺水肿、心肺功能停止、急性肾衰、脑出血、失明或视力下降，甚至孕产妇死亡；在抽搐过程中还容易发生各种创伤：如唇舌咬伤，摔伤，呕吐误吸等。
3.其中，肢体异常抽搐或眼睛瞳孔放大或呼吸暂停是子痫的预兆，但是现有技术中未存在将肢体异常抽搐或眼睛瞳孔放大或呼吸暂停情况结合来对子痫进行高精度预测的技术手段。


技术实现要素：

4.因此，为了克服上述问题，本发明提供一种基于机器学习的子痫前期调控分析系统，基于机器学习的子痫前期调控分析系统包括三个测试机构，分别为在二氧化碳传感器放置槽内放置有二氧化碳传感器的口罩、在图像采集装置放置槽放置有图像采集装置的眼镜以及安装于肢体上的n个振动传感器，其中n为大于等于4的整数。
5.具体地，二氧化碳传感器用于监测用户呼吸中二氧化碳信号，图像采集装置用于采集用户瞳孔图像信息，n个振动传感器用于采集用户肢体振动信号；n个振动传感器将采集的n个振动信号传输至频率提取单元，频率提取单元根据n个振动信号计算振动频率，频率提取单元将振动频率传输至微处理器；二氧化碳传感器将采集的二氧化碳信号传输至信号去噪单元，信号去噪单元对接收到的二氧化碳信号进行去噪后传输至微处理器；图像采集装置将采集的瞳孔图像信息传输至图像处理单元，图像处理单元对接收到的图像信息进行图像处理后传输至微处理器，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，微处理器将建立的预测模型传输至预警分析单元。
6.具体地，二氧化碳传感器将在t时刻采集的二氧化碳信号传输至信号去噪单元，信号去噪单元包括第一运算放大器a、第二运算放大器b、第一电容c1、第一电阻r1、第二电阻r2、第三电阻r3、第四电阻r4、第五电阻r5、第六电阻r6、第七电阻r7、第八电阻r8、第九电阻r9、第十电阻r10、第十一电阻r11、第十二电阻r12、第一三极管q1、第二三极管q2、第三三极管q3、第四三极管q4、第五三极管q5、第六三极管q6、第七三极管q7、第八三极管q8、第一线
路和第二线路。
7.具体地，n个振动传感器在t时刻采集的振动信号分别为x(1)、x(2)、x(3)
……
x(n)，，其中t为一个采样时长，x(1)、x(2)、x(3)
……
x(n)传输至频率提取单元，频率提取单元对接收到的信号进行频率提取，分别为f1、f2、f3……fn
，并对提取的频率进行分析处理得到频率f，则有，。
8.具体地，图像采集装置在t时刻采集的用户瞳孔图像信息定义为二维函数f(x,y) ，其中x、y是空间坐标，图像处理单元对接收到的图像进行图像处理，步骤如下：步骤s1：对图像f(x,y)进行图像去噪处理，得到图像g(x,y)，则有，。
9.步骤s2：对图像g(x,y)进行图像灰度处理，增加图像对比度。
10.步骤s3：图像处理单元将存储的瞳孔灰度值a与上述图像中的灰度值进行比对，计算图像灰度值范围在[a-a，a a]范围内的区域面积为s，其中，a为自定义范围参数。
[0011]
具体地，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，微处理器设置为m个采样周期，微处理器在mt时刻接收到的二氧化碳信号为a(m)，在mt时刻接收到的振动频率为fm，mt时刻接收到的图像面积为sm，微处理器根据a(m)、fm、sm建立预测模型y(m k)，预测模型y(m k)对m个采样周期后的k个采样周期进行预测。
[0012]
。
[0013]
。
[0014]
。
[0015]
。
[0016]
其中，f
，
为预设频率值，a
，
为预设振动值。
[0017]
具体地，微处理器将预测模型传输至预警分析单元，若am大于a或bm小于b或cm大于c，则预警分析单元发出第一报警信息至用户移动端，若y(m k)大于y，则预警分析单元发出第二报警信息至用户移动端，其中，a为频率参数阈值，b为振动参数阈值，c为面积参数阈值，y为综合参数阈值。
[0018]
与现有技术相比，本发明具有如下的有益效果：本发明提供的基于机器学习的子痫前期调控分析系统，其包括三个测试机构，分
别为振动频率测试机构、眼睛瞳孔面积测试机构以及二氧化碳含量测试机构，将振动测试装置安装于肢体上，图像采集装置安装于眼镜上，二氧化碳测试装置安装在口罩中，便于实时对用户进行测试；在振动频率测试中，通过各个频率之间的关系，对频率进行校准，得出参考频率值；在图像采集中，通过图像处理单元对图像进行清晰化处理，且通过灰度值标定瞳孔面积；在二氧化碳测试中，使用信号去噪单元对二氧化碳信号进行高精度测试；最后，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，预警分析单元根据预测模型进行风险评判。
附图说明
[0019]
图1为本发明的子痫前期调控分析系统的二氧化碳采集口罩；图2为本发明的子痫前期调控分析系统的瞳孔图像采集眼镜；图3为本发明的子痫前期调控分析系统的振动测试图；图4为本发明的子痫前期调控分析系统工作原理框图；图5为本发明的信号去噪单元的电路结构图。
[0020]
附图标记：1-二氧化碳传感器放置槽，2-图像采集装置放置槽。
具体实施方式
[0021]
下面结合附图和实施例对本发明提供的基于机器学习的子痫前期调控分析系统进行详细说明。
[0022]
如图1-4所示，本发明提供的基于机器学习的子痫前期调控分析系统，基于机器学习的子痫前期调控分析系统包括三个测试机构，分别为在二氧化碳传感器放置槽1内放置有二氧化碳传感器的口罩、在图像采集装置放置槽2放置有图像采集装置的眼镜以及安装于肢体上的n个振动传感器，其中n为大于等于4的整数。
[0023]
优选的是，二氧化碳传感器用于监测用户呼吸中二氧化碳信号，图像采集装置用于采集用户瞳孔图像信息，n个振动传感器用于采集用户肢体振动信号；n个振动传感器将采集的n个振动信号传输至频率提取单元，频率提取单元根据n个振动信号计算振动频率，频率提取单元将振动频率传输至微处理器；二氧化碳传感器将采集的二氧化碳信号传输至信号去噪单元，信号去噪单元对接收到的二氧化碳信号进行去噪后传输至微处理器；图像采集装置将采集的瞳孔图像信息传输至图像处理单元，图像处理单元对接收到的图像信息进行图像处理后传输至微处理器，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，微处理器将建立的预测模型传输至预警分析单元。
[0024]
上述实施方式中，在用户使用方便性上考虑，使用口罩内设槽采集用户的二氧化碳信息，以对用户呼吸信息进行提取，使用眼镜内设槽采集用户瞳孔的图像信息，以对用户瞳孔大小进行测试，使用振动传感器设置在用户肢体上，以对用户身体是否发生抽搐进行测试，均未便于穿戴的设备，大大提高了系统的使用率，进而也能获得更多数据，以使预判更精准。
[0025]
如图5所示，二氧化碳传感器将在t时刻采集的二氧化碳信号传输至信号去噪单元，信号去噪单元包括第一运算放大器a、第二运算放大器b、第一电容c1、第一电阻r1、第二电阻r2、第三电阻r3、第四电阻r4、第五电阻r5、第六电阻r6、第七电阻r7、第八电阻r8、第九
电阻r9、第十电阻r10、第十一电阻r11、第十二电阻r12、第一三极管q1、第二三极管q2、第三三极管q3、第四三极管q4、第五三极管q5、第六三极管q6、第七三极管q7、第八三极管q8、第一线路和第二线路。
[0026]
其中，第一线路和第二线路均是由vcc和gnd组成的线路，二氧化碳传感器的输出端与第一电阻r1的第一端连接，第一电阻r1的第二端与第一三极管q1的基极连接，第一电阻r1的另一端还与第三电阻r3的第一端连接，第一三极管q1的发射极与第四电阻r4的第一端连接，第四电阻r4的第二端接第一线路，第二电阻r2的第一端接第二线路，第二电阻r2的第二端与第一三极管q1的集电极连接，第三电阻r3的第一端与第一三极管q1的基极连接，第三电阻r3的第二端与第七电阻r7的第一端连接，第五电阻r5的第一端与第二三极管q2的基极连接，第二三极管q2的发射极与第四电阻r4的第一端连接，第二三极管q2的集电极与第一运算放大器a的同相输入端连接，第二三极管q2的集电极与第四三极管q4的集电极连接，第二三极管q2的集电极与第三三极管q3的发射极连接，第三三极管q3的基极与其集电极连接，第三三极管q3的集电极与第二线路连接，第四三极管q4的集电极与第二线路连接，第四三极管q4的基极与第五三极管q5的基极连接，第四三极管q4的基极与第一运算放大器a的反相输入端连接，第五三极管q5的发射极与第二线路连接，第五电阻r5的第二端与第六电阻r6的第一端连接，第六电阻r6的第二端与第七三极管q7的基极连接，第六三极管q6的集电极与其基极连接，第六三极管q6的发射极接入第一线路，第七电阻r7的第一端与第三电阻r3的第二端连接，第七电阻r7的第二端与第二运算放大器b的反相输入端连接，第七三极管q7的发射极与第八电阻r8的第一端连接，第八电阻r8的第二端接入第一线路，第八电阻r8的第一端与第八三极管q8的发射极连接，第八三极管q8的集电极与第七电阻的第二端连接，第八三极管q8的基极与第二运算放大器b的反相输入端连接，第九电阻r9的第一端与第八三极管q8的集电极连接，第九电阻r9的第一端与第二线路连接，第十电阻r10的第一端与第二运算放大器b的同相输入端连接，第十电阻r10的第一端与第八三极管q8的发射极连接，第十一电阻r11的第一端与第二运算放大器b的输出端连接，第十一电阻r11的第二端与第十电阻r10的第二端连接，第十二电阻r12的第一端与第十一电阻r11的第二端连接，第十二电阻r12的第二端接地，第九电阻r9的第一端与第八三极管q8的集电极连接，第九电阻r9的第二端与第一运算放大器a的输出端连接，第一电容c1的第一端与第九电阻r9的第二端连接，第一电容c1的第二端接地，第一运算放大器a和第二运算放大器b的输出端合成输出至微处理器。
[0027]
上述实施方式中，采用平衡电路结构设计，有效的对输入噪声信号进行减弱处理，同时在输出端设置双运算放大器，通过双反馈进而减少电路内部的噪声干扰，进而使得二氧化碳的测试更为精准。
[0028]
优选的是，n个振动传感器在t时刻采集的振动信号分别为x(1)、x(2)、x(3)
……
x(n)，，其中t为一个采样时长，x(1)、x(2)、x(3)
……
x(n)传输至频率提取单元，频率提取单元对接收到的信号进行频率提取，分别为f1、f2、f3……fn
，并对提取的频率进行分析处理得到频率f，则有，。
[0029]
优选的是，图像采集装置在t时刻采集的用户瞳孔图像信息定义为二维函数f(x,
y) ，其中x、y是空间坐标，图像处理单元对接收到的图像进行图像处理，步骤如下：步骤s1：对图像f(x,y)进行图像去噪处理，得到图像g(x,y)，则有，。
[0030]
步骤s2：对图像g(x,y)进行图像灰度处理，增加图像对比度。
[0031]
步骤s3：图像处理单元将存储的瞳孔灰度值a与上述图像中的灰度值进行比对，计算图像灰度值范围在[a-a，a a]范围内的区域面积为s，其中，a为自定义范围参数。
[0032]
上述实施方式中，创新的根据灰度值确定瞳孔的面积，区别于现有技术中通过边缘提取的方式获取瞳孔面积，因此有效的避免了因为边缘提取过程中导致的图像虚化的问题。
[0033]
优选的是，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，微处理器设置为m个采样周期，微处理器在mt时刻接收到的二氧化碳信号为a(m)，在mt时刻接收到的振动频率为fm，mt时刻接收到的图像面积为sm，微处理器根据a(m)、fm、sm建立预测模型y(m k)，预测模型y(m k)对m个采样周期后的k个采样周期进行预测；。
[0034]
。
[0035]
。
[0036]
。
[0037]
其中，f
，
为预设频率值，a
，
为预设振动值。
[0038]
优选的是，微处理器将预测模型传输至预警分析单元，若am大于a或bm小于b或cm大于c，则预警分析单元发出第一报警信息至用户移动端，若y(m k)大于y，则预警分析单元发出第二报警信息至用户移动端，其中，a为频率参数阈值，b为振动参数阈值，c为面积参数阈值，y为综合参数阈值。
[0039]
上述实施方式中，基于机器学习的子痫前期调控分析系统包括三个测试机构，分别为振动频率测试机构、眼睛瞳孔面积测试机构以及二氧化碳含量测试机构，将振动测试装置安装于肢体上，图像采集装置安装于眼镜上，二氧化碳测试装置安装在口罩中，便于实时对用户进行测试；在振动频率测试中，通过各个频率之间的关系，对频率进行校准，得出参考频率值；在图像采集中，通过图像处理单元对图像进行清晰化处理，且通过灰度值标定瞳孔面积；在二氧化碳测试中，使用信号去噪单元对二氧化碳信号进行高精度测试；最后，微处理器根据接收到的二氧化碳信号、图像信息以及频率提取单元的数据建立预测模型，预警分析单元根据预测模型进行风险评判。
[0040]
第一报警信息的优先级高于第二报警信息。
[0041]
优先的是，用户移动端可以为用户手机。
[0042]
优选的是，第一报警信息和第二报警信息同时通过无线传输系统传输至医院诊疗系统，医院诊疗系统对接收到的报警信息向用户提供就诊提示和诊疗方案。
[0043]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。